两条曲线相似度的探究(MSE推广)

1. 什么条件下两条曲线最相似

那肯定是在定义域[a, b]中，两条曲线完全重合。用数学语言
$$\forall x\in [a,b],f_1(x)=f_2(x)$$或者$$\forall x\in [a,b],f_1(x)-f_2(x)=0\text{\hspace{1em}(1)}$$ 然而，$\forall$符号是不利于我们计算的，因此我们希望能用一个不带条件的等式来表达(1)式的内容，因此就有了：$${\int }_a^b|f_1(x)-f_2(x)|dx=0\text{\hspace{1em}(2)}$$ 可以看到，(2)和(1)是完全等价的。
值得注意的是，(2)式里面的绝对值符号||是不能去掉的，这个应该很容易理解。
但是由于绝对值函数在数学上不是连续可导的，因此常用平方的方法，来代替绝对值。 这里我们就把求绝对值得差改成了求两个函数值的二范数$L_{2}Norm$ $${\int }_a^b[f_1(x)-f_2(x){]}^{2}dx=0\text{\hspace{1em}(3)}$$
很明显，(1)(2)(3)都是完全等价的。

但是，并不是所有的曲线都能完全重合，即随便选出两条曲线，$$Loss(f_1,f_2)={\int }_a^b[f_1(x)-f_2(x){]}^{2}dx\text{\hspace{1em}(4)}$$ 其损失函数Loss很大程度不可以等于0（比如上面图片中的$lo{g}_2(1+x)$和$x$在[0, 1]区间之中)。因此，我们希望能够通过某种手段，使得两条曲线最相似。

2. 怎么才能使两条曲线最相似

有了判断两条曲线相似度的准则(即损失函数) ，我们通过什么手段能够尽量让两条曲线更相似呢？一个很自然的方法就是，固定第一条曲线$f_1(x)$不动，通过上下平移$f_2(x)$使得平移后的曲线和$f_1(x)$达到最相似的状态。数学表达式也就是求$Loss(f_1,f_{2}new)$的最小值$Min(Loss(f_1,f_{2}new))$。
这里的$f_{2}new=f_2+\alpha ,\alpha \in C$，也就是$\alpha$是一个为常量的平移值。可以理解为，通过将$f_2$上下平移$\alpha$（$\alpha$为正就是向上，为负就是向下）个单位后，$f_{2}new$达到和$f_1(x)$最相似的状态。
因此，我们的目的是求$$Min(Loss(f_1,f_2))$$ $$=Min({\int }_a^b[f_1(x)-(f_2(x)+\alpha ){]}^{2}dx)\text{\hspace{1em}(5)}$$
怎么求最小值呢，当然就需要借助数学工具了。还记得我们怎么求极小值么，让其导函数等于0！！！
$$Los{s}^{\prime }(f_1,f_2))$$ $$=({\int }_a^b[f_1(x)-(f_2(x)+\alpha ){]}^{2}dx{)}^{\prime }$$ $$=2\times ({\int }_a^b[f_1(x)-f_2(x)-\alpha ]dx)$$ $$=2\times ({\int }_a^b[f_1(x)-f_2(x)]dx-\alpha x{|}_{x=a}^{x=b})\text{\hspace{1em}(6)}$$
令(6)式=0
$$2\times ({\int }_a^b[f_1(x)-f_2(x)]dx-\alpha x{|}_{x=a}^{x=b})=0$$ $${\int }_a^b[f_1(x)-f_2(x)]dx=\alpha x{|}_{x=a}^{x=b}$$ $${\int }_a^b[f_1(x)-f_2(x)]dx=\alpha \times (b-a)$$ $$\alpha =\frac{{\int }_a^b[f_1(x)-f_2(x)]dx}{b-a}\text{\hspace{1em}(7)}$$
我们发现了什么，$\alpha$的意义就是$$\frac{两条曲线差值的积分(或者说是与x轴围成的图形面积)}{区间长度}$$ 这可太符合我们直觉了吧！至此，我们就完成了两条曲线相似性的全部探究！

3. 结论

有了两条曲线$f_1(x),f_2(x)\in [a,b]$，我们只需要算一下其差值的积分：${\int }_a^{b}Loss(f_1(x),f_2(x))$ 再除以区间长度$b-a$，便是我们需要将$f_2(x)$上下平移的常量$\alpha$了。